鱼群检测

鱼群检测（共7篇）

鱼群检测 篇1

0 引言

双频识别声纳是近几年出现由美国华盛顿大学研发,能在可视度为零的水下获取清晰的数据影像[1]。与其他声纳设备相比,优势突出,是目前唯一一款使用声学透镜来压缩波束的声纳。

鱼群统计对于水下养殖以及珍贵鱼类保护具有重要的应用价值[2,3]。Pavlov[4]等利用DIDSON观测勘察加半岛虹鳟鱼回游产卵的情况,大致测定出了该地虹鳟鱼回游距离和数量。在文献[5]中,基于前向声纳视频,提出一种水下目标检测与跟踪方法,该方法首先利用Gabor滤波器进行图像预处理,然后采用Kalman滤波器进行检测与跟踪。Han等利用DIDSON视频,提出了一种鱼群迁移规模统计方法,该方法首先利用相位相关法进行背景消除,然后利用轮廓滤波进行检测跟踪,并采用卡尔曼滤波来避免重复统计[6]。Petreman和Michal分别就DIDSON进行鱼群统计可能存在的误差进行了分析评估,并提出了相应的解决办法[7,8]。Juza和Kresimir所在课题组就鱼群对于拦网的反应行为进行了分析,其数据来源即为DIDSON[9,10]。Alistair则就南非河口关闭期间海冰区鱼群的行为进行了声纳监控[11]。国内董剑锋等学者对双频识别声纳图像处理进行了初步研究,并运用到幼香鱼计数上[12,13]。

上述方法主要是针对鱼群进行大致的统计分析,缺乏较为准确的定量分析。而已有研究表明,利用DIDSON视频进行鱼群各种应用,其关键是鱼群检测方法的精度[6,7,8,9]。本文在分析DIDSON数据图像噪声特性和鱼体亮度统计特性的基础上,对已预处理的数据影像进行目标检测,并对检测目标中的鬼影提出一种抑制方法。最后通过形态学开闭运算去除孤立噪声点,获得较为理想的鱼群目标检测结果。为后续跟踪、识别奠定良好的基础。

1 DIDSON图像特性分析

1. 1 DIDSON图像的噪声特性

已有研究表明,水下环境噪声是服从高斯分布的随机信号[15],但理论证明较为复杂。本文采用一种简单的数学统计方法对DIDSON图像噪声特性进行分析。选取同一频率、同一位置拍摄的DIDSON数据影像,对其n帧数据进行统计平均,将得到的图像作为无噪声图像,并通过原数据图像与无噪声图像之差作为噪声图像,并对噪声图像进行统计拟合。

本文对1000 帧分辨率为510 × 307 的图像序列进行统计分析,其中n取40,无噪图像与噪声如图1 所示,( a) 、( b) 为第1帧、第20 帧原始图像,( c) 为40 帧平均后得到的图像,( d) 、( e)为对应的噪声图像。获得1000 帧噪声图像Ri,然后进行噪声分布特性拟合,即统计1000 帧噪声图像的灰度直方图分布规律,并对该数据进行核密度估计和正态分布概率密度估计,实验结果如图2 所示。

图2 中,正态分布概率密度估计能很好地拟合噪声图像的灰度频率分布,因此可知在DIDSON数据影像中含有大量随机噪声,且噪声服从高斯分布。需要说明的是,这里分析过程中没有考虑鱼群游动时因水波纹导致的干扰信号。该干扰信号主要是以阴影或者鬼影图像的方式呈现,在目标检测后需要进行抑制。

1. 2 DIDSON鱼体亮度分布统计分析

声纳图像从亮度分布而言主要包括三个区域: 高亮区域、阴影区域和背景区域。其中高亮区域主要是由声波在目标表面反射造成,即为鱼体目标; 阴影区是由于鱼体遮挡导致声纳难以达到的区域; 背景区域是指没有鱼体的拍摄区。因此DIDSON鱼群数据影像中鱼体亮度主要分布在高亮区域。声纳图像中像素点的亮度代表了相应空间的回波强度,相对于光学图像而言,声纳图像是无色的,习惯用黑色代表弱回波,白色代表强回波,中间由灰度表示,其灰度级为0 ~ 255。综上所述,采用灰度图像的统计方法可以统计声纳图像中鱼体亮度的统计分布特性。本文选取了120 帧鱼群图像序列进行统计分析,首先人工标注鱼体目标的坐标,对相应位置的灰度值进行统计分析,图3 为鱼体目标的灰度直方图分布图。

图3 中的二个图均为每40 帧的鱼体目标直方图统计结果。由图可知,鱼体目标的90% 以上的灰度值分布范围为[60,180]。该数值为后续进行鱼群检测及鬼影抑制提供了阈值设置依据。

2 鱼群目标检测算法

由于声纳图像本身的信息小于随机噪声信息,因此采用光学图像的目标检测算法检测鱼群效果较差。检测结果含有大量孤立噪声点,鱼体轮廓含有大量毛刺,若第一帧图像含有鱼体,其背景差分法检测结果中含有鬼影。

本文充分利用声纳图像噪声特性和鱼体亮度统计特性,在背景差分法基础上提出了一种DIDSON鱼群目标检测及鬼影抑制方法。思路: 分析声纳图像特性,其噪声为随机高斯噪声,鱼体目标属于高亮区域且灰度值范围为[60,180]; 其次采用背景差分法寻找可能出现的鱼体目标点; 利用声纳高亮区域特性,对初步检测的鱼体目标点进行鬼影判断去除鬼影; 最后采用形态学开闭运算去除孤立噪声点。其整体目标检测流程如图4所示。

2. 1 背景差分法及鬼影问题

背景差分法: 设背景模型为M( x) = { v1,v2,…,vN} ,其中N个样本值均为已被判断为背景的像素值。记v( x) 为x点处的像素值,设定阈值R,计算{ v( x) - R,v( x) + R} 区间内与样本模型M( x) 相交的样本值个数,若数值大于预设的某个最小值,则将当前像素点x的像素值v( x) 判断为背景,否则为前景。

由于采用一帧建模,如果模型初始化时出现目标,会将前景目标点误判为背景。当前景目标点离开后,当前像素值无法与背景样本集匹配,导致背景像素点被错误地检测为前景点,形成鬼影。另外,背景差分法模型更新缓慢,导致其目标检测结果错误传播,严重影响后续的跟踪或识别。

2. 2 本文鬼影抑制方法

通过对DIDSON数据图像的特性分析可知声纳图像中的鱼体目标属于高亮区域。本文基于此特性提出了鬼影抑制方法。其基本思想: 采用背景差分法初步寻找出当前帧中的“前景像素点”; 对这些“前景像素点”进一步判断,若此像素点的像素值大于阈值T ,即判断为前景,否则认为是鬼影并判断为背景并更新背景模型。

通过声纳图像特性分析得知,DIDSON图像序列的鱼体高亮区域灰度值主要分布在[60,180]之间,进行鬼影抑制时选择合适的阈值非常重要。当阈值取值太小时,包含的随机噪声点较多,检测效果不佳,导致鬼影抑制不完全; 阈值取值过大时,高亮区域边缘像素值部分被去除,导致目标范围缩小。因此选择合适的阈值是关键,通过大量实验验证,阈值T取[70,80]时目标检测结果较好。如图5 所示,不同阈值对同一帧图像的背景去除结果不同。当T = 60 时,图像中存在大量噪声; 当T = 90时,高亮区域范围缩小。当T = 73 时,图像在保留目标范围的基础上极大地减少噪声干扰。

2. 3 形态学滤波

鬼影判断后的图像中存在鱼体边缘有毛刺、鱼体有较小的非连通区域、图像中含有较多的孤立噪点等问题。通过形态学开运算的腐蚀阶段可以消除孤立噪声点,膨胀阶段可以恢复非连通区域。形态学闭运算可平滑鱼体边缘,通过上述处理后,检测结果更好。

3 实验结果分析

实验方法: 首选选取几种经典的光学图像目标检测算法对DIDSON图像进行目标检测,然后将本文方法与其他经典方法针对小鱼群和大鱼群检测性能进行对比分析。实验环境配置为matlab 2009a,内存8 GB,处理器为Intel Core i5 - 3470 3. 20 GHz、声纳视频帧率为8 fps。

3. 1 常用目标检测

本文选取帧间差模型、平均背景法模型、高斯混合模型、Code Book背景模型、背景差分法对大鱼群和小鱼群进行目标检测。其大鱼的检测结果如图6 所示。

图6 中,对于声纳视频五种算法的检测结果,其中帧间差模型效果差,平均背景法和高斯混合模型检测结果中含有大量噪声,Code Book背景模型和背景差分法检测效果较好。但由于背景差分法是一帧建模,当建模时存在鱼体目标的情况下会出现鬼影且消除缓慢,导致整个图像序列检测结果全部错误,给后续的鱼群计数和跟踪带来极大影响。

3. 2 本文算法与其他算法对比分析

将本文检测算法与Code Book背景模型、背景差分法进行性能比较,实验数据同样选取小鱼群视频和大鱼群视频。大鱼群检测结果如图7 所示。

图7 中,Code Book算法检测出的目标边缘模糊,且存在大量的误检像素。背景差分法存在严重的鬼影现象( 图7 中第3行椭圆标记的鱼体为鬼影) ,鬼影在第78 帧以后也未消失。而本文提出的算法在第28 帧之前,鬼影已消失,整体检测性能明显优于Code Book算法和背景差分算法。同时本文算法在鱼体较小的情况下,其检测效果同样较好,如图8 所示。

4 结语

由于声纳图像含有大量噪声信息,采用光学图像的目标检测算法不能满足声纳图像目标检测的要求。针对这个问题,本文提出的方法在保留背景差分法优势的同时能快速抑制鬼影。本文方法与常用目标检测算法相比,其目标检测效果更好,能快速检测出鱼体目标,鱼体轮廓清晰,为后续跟踪、识别处理提供准确的输入数据。且本文提出的算法能满足实时性要求,可应用于水下鱼群监测应用。

摘要：双频识别声纳(DIDSON)能在浑浊黑暗的水下获得清晰的视频数据。对双频识别声纳拍摄的鱼群视频进行目标检测是后续跟踪、识别的前提。首先分析双频识别声纳图像噪声特性和鱼体亮度统计特性;基于此,提出并实现一种声纳鱼群检测方法,并就检测中的鬼影问题提出了抑制方法;最后利用形态学滤波去除孤立噪点。实验结果表明,该方法在鱼体目标轮廓清晰度、鱼体大小准确度方面明显优于经典方法,且满足实时跟踪、识别的应用要求。

关键词：双频识别声纳,鱼群检测,背景差分法,鬼影抑制

鱼群检测 篇2

伴随着网络技术的发展, 网络攻击也日趋呈现出方式多样、手法隐蔽等特点, 传统的防火墙属于被动防御技术, 已经不能满足网络用户的安全需求, 上世纪80年代, anderson等人就已提出网络入侵检测的概念。网络入侵检测分为误用检测和异常检测两种类型, 由于异常检测能够通过学习来发现新的攻击方式, 属于主动防御技术, 因此成为当前主要的研究方向。

网络入侵检测需要对入侵的数据包进行特征提取和分析。由于特征存在冗余性, 因此需要在大量的特征中提取出最优的特征, 才能降低特征的维数, 提高检测效率。文献中研究了当前主流的特征选择算法, 包括:顺序选择法、粗糙集方法、遗传算法、粒子群算法、蚁群算法和支持向量机 (SVM) 等。支持向量机因其泛化能力强, 成为当前主要的网络检测算法, 但其存在检测性能与参数相关度过高的弊端。

为改进该算法的弊端, 本文提出一种改进的异常入侵检测方法, 该方法采用wrapper特征选择模型, 利用改进的人工鱼群算法进行入侵特征选择, 改进的人工鱼群算法在原有AFA (Artificial Fish Swarm algorithm) 算法的基础上, 引入混沌搜索, 利用其遍历性、随机性、规律性等特点, 提高了算法的全局收敛性。之后采用SVM分类器对选择的特征性能进行分类、判断, 最后再对选择的特征进行更新, 以找到最优特征组合。最后通过KDD99数据集对算法的性能进行验证, 证明了本文算法的可靠性和准确性。

2 异常入侵检测模型

本文设计的入侵检测模型结构框架如图1所示。首先采用wrapper特征选择模型, 利用改进的人工鱼群算法 (IAFA) 进行入侵检测特征选择, 之后, 采用SVM分类器对选择的特征性能进行判断, 因为特征来自训练集和测试集两个方面, 因此还要先进行分类, 然后再对选择的特征进行更新, 以找到最优特征组合。

3 改进人工鱼群算法及特征选择

3.1 改进人工鱼群算法

算法借用混沌搜索的思想, 混沌变量选用Tent映射:

根据上述映射公式, 依照如下步骤将人工鱼i在可行域中产生混沌点列:

步骤1:依照公式 (2) 将人工鱼状态Xi的所有维度Xik (k=1, …, n) , 映射到[0, 1]这个区间内

其中ak表示第k维变量Xik的最小值, bk表示Xik的最大值。

步骤2:将Tent映射公式 (1) 进行M次迭代后, 产生一个序列。

步骤3:依照公式 (3) 将上一步骤中产生的混沌序列的状态值映射回原空间

步骤4:通过上述混沌序列, 得到人工鱼Xi经过Tent映射后产生的混沌点列:

步骤5:对人工鱼状态Xis的优劣进行再次评估。

步骤6:如果状态Xis比状态Xi优, 那么就以Xis作为混沌局部搜索的结果, 否则令s=s+1, 然后重新回到步骤2执行。

算法设计了一个公告牌, 公告牌中记录了当前人工鱼群的最优状态, 人工鱼按照某一概率向此状态移动, 为了能保证改进后的算法能够有更高的精度和执行效率, 我们设计让人工鱼按照Pfb的概率执行随机行为, 按概率1-Pfb执行反馈行为, 并且让Pfb=θPfb, 其中θ (0, 1) 。

3.2 入侵特征选择

入侵特征选择按照如下步骤完成:

步骤1:收集网络中的状态信息, 完成学习样本的组成及预处理。

步骤2:提取网络中的状态特征。

步骤3:人工鱼参数初始化, 具体包括:最大步长Max_Step、视野半径Visaul、反馈概率Pfb、初始迭代次数passed_iterate、最大迭代次数max_iterate等;

步骤4:初始化完成后, 随机生成n条人工鱼。

步骤5:计算得到所有人工鱼的适应度, 并与当前公告牌中的值进行比较, 若当前的值优于公告牌的值, 则将当前的值记入公告牌。

步骤6:对人工鱼执行觅食、追尾等行为, 然后评价其结果, 若执行某行为以后, 人工鱼的状态落后于当前状态, 则该人工鱼不动, 反之则人工鱼向前移动一步。

步骤7:根据式 (1) ~ (3) , 执行混沌搜索, 得到当前解域范围内的最好的人工鱼状态, 并将最好人工鱼状态记入公告牌;

步骤8:根据式 (5) 更新反馈概率;

步骤9:如果达到了精度要求或者是到达了最大迭代次数, 则算法结束, 同时输出公告牌中的人工鱼状态, 否则转到步骤 (5) 执行。

4 支持向量机的网络入侵分类器

SVM的思想是在特征空间中建构最优分割超平面, 使得学习器得到全局最优化, 最优超平面用下式描述:

式中, w表示超平面法向量, 超平面偏移向量用b描述。

若以上是一个线性问题, 则处理起来比较简单, 但如果是非线性分类问题, 这要转化为二次优化问题进行处理, 即:

相应约束条件为:

式中, , c表示惩罚参数。引入对偶问题来解决这个超平面优化问题, 加快分类速度, 得到SVM决策函数如下:

式中, sign为符号函数, αi为Lagrange乘子。

由于RBF只需确定一个参数, 即核函数宽度参数σ, 有利于参数优化, 因此, 研究选择RBF核函数构造支持向量机。RBF核函数定义如下:

5 仿真实验

5.1 数据来源

在P4双核3.0 GMHZ CPU、2G RAM, 操作系统为Unix, VC语音环境下进行仿真实验。数据来自KDD CUP 99异常检测数据集, 数据集中一个连接记录共有41个特征, 其中包含有9个离散属性和32个连续属性。为了使检测结果具有可比性, 采用遗传算法、粒子群优化算法与改进的人工鱼群算法进行对比仿真实验, 模型性能评价指标采用平均检测时间和平均检测速度来衡量。

5.2 检测正确率对比

遗传算法、粒子群优化算法、改进人工鱼群算法在各个数据集上运行10次, 计算它们结果的平均网络入侵检测正确率 (%) , 结果如图2所示。

对比结果表明, 采用改进人工鱼群算法对特征进行选择, 可以获得比遗传算法、粒子群优化算法更优的特征子集, 更加准确刻画了网络状态变化信息, 有效消除了冗余和无用特征。

5.3 入侵检测时间比较

几种算法的平均检测检测时间 (秒) 如表1所示。从表中可知, IAFA-SVM的检测速度最快, 说明采用IAFA进行网络特征选择减少了特征数和计算时间, 加快算法收敛速度, 使算法更加满足网络入侵检测的实时性要求。

6 结束语

为了解决异常入侵检测特征选择问题, 本文提出一种改进人工鱼群算法的网络异常检测方法。仿真结果表明, 相对于遗传算法、粒子群优化算法等传统选择方法, 改进人工鱼群算法可以获得更优特征子集, 提高了异常检测正确率和检测速度, 在网络安全应用中有着广泛的应用前景。

参考文献

[1]王国伟, 贾宗璞.基于防火墙的网络入侵检测研究与设计[J].计算机数字与工程, 2005 (5) .

[2]邓九英, 杜启亮, 毛宗源等.基于粗糙集与支持向量机的分类算法[J].华南理工大学学报:自然科学版, 2008.

[3]詹勇, 声锡藏, 王勇军.攻击特征自动提取技术综述[J].通信学报, 2009, 30 (2) :96-105.

[4]牟永敏, 李美贵, 粱琦.入侵检测系统中模式匹配算法的研究[J].电子学报, 2006, 34 (12A) :2488-2490.

[5]陈志贤, 黄皓.应用扩张矩阵理论的攻击特征提取[J].计算机科学, 2010, 37 (4) :49-51.

[6]刘明珍.粒子群优化支持向量机的入侵检测算法[J].计算机工程与应用, 2012, 48 (35) 71.

一种改进的人工鱼群算法 篇3

关键词：人工鱼群算法,移动步长

1 人工鱼群算法的基本概念

1.1 人工鱼

用面向对象的思想分析,人工鱼就是一个封装了自身数据信息和一系列行为的实体。虚拟人工鱼实体的当前状态为X,Visual为其视野范围,状态Xv为其在某时刻视点所在的位置,Step为其可移动的最大步长,δ为拥挤度因子。如果该位置优于当前状态,则考虑向该位置方向前进一步,即到达状态Xnest;如果状态Xv不比当前状态更优,则继续巡视视野内的其他位置。巡视次数越多,则对视野内的状态了解越全面,从而对周围的环境有一个全方面立体的认知,这有助于做出相应的判断和决策[1]。

状态X=(x1,x2,…,xn),Xv=(x1v,x2v,…,xnv),从状态X到状态Xv的过程为:

1.2 鱼群行为

人工鱼群算法中,考虑到鱼类与我们的关系密切,利用仿生方法,抽象模拟鱼类的行为[1]。觅食行为:是鱼群趋向食物的活动,是生物的本能活动,是鱼通过视觉或味觉来感知水中的食物量或浓度来选择趋向,一般没有食物时,鱼群自由游动,当鱼群感知到食物增多时,就朝食物方向游动。

聚群行为:这是鱼类较常见的一种现象,大量或少量的鱼都能聚集成群,这是它们在进化过程中形成的一种生存方式,可以进行集体觅食和躲避敌害。

鱼群在聚群的同时,能够尽量避免与同伴过度拥挤(拥挤因子的作用);也能够尽量朝着伙伴中心的方向靠拢,与其他鱼的游向尽量一致。

追尾行为:当某一条鱼或几条鱼发现食物时,它们附近的鱼会尾随其后快速游过来,进而导致更远处的鱼也尾随过来。

随机行为:鱼在水中自由游动,基本上是随机的,因此叫随机行为。在随机游动的过程中可以更好地发现食物和伙伴。它是觅食行为的一种缺省行为。

2 基本人工鱼群算法

2.1 算法描述

人工鱼群算法模拟了鱼群的觅食行为、聚群行为、追尾行为及随机行为。该算法首先具备人工鱼个体的特性,同时由于鱼群的聚群、追尾等行为,使该算法具有良好的全局搜索性能。设dij=‖Xi-Xj‖表示两人工鱼之间的距离,Ω={Xj|‖Xi-Xj‖

2.1.1 觅食行为

生活经验告诉我们,当鱼群发现水域中某处有大量食物时,会迅速向食物游去。设当前人工鱼的状态为Xi,其适应度函数(食物浓度)为Yi,在其感知域内随机选择一个状态Xi,其适应度函数(食物浓度)为Yi,觅食行为可以用以下函数表示:

undefined

2.1.2 聚群行为

设当前人工鱼的状态为Xi,其适应度函数(食物浓度)为Yi,搜索当前Ω中人工鱼数目nf及中心位置Xc。如果undefined,表明中心位置处有较多食物而且不太拥挤。聚群行为可以用如下函数表示:

undefined

2.1.3 追尾行为

当一条鱼发现很多食物后,其他人工鱼会尾随它向食物“游去”,这就是追尾行为。搜索当前邻域中食物浓度最大的人工鱼,Ymax=max{f(Xj)|Xj∈Ω}。如果undefined,则向食物浓度最大的人工鱼处前进一步。追尾行为可以用以下函数表示:

undefined

2.1.4 公告板

用来记录最优人工鱼的状态,其他人工鱼在执行行为后检查自己的状态,如果优于公告板状态,则更改公告板信息为自己当前状态。保证公告板信息总是为环境中处在最优状态的人工鱼的状态信息。

2.2 算法流程

人工鱼群算法流程图如图2:

3 改进的人工鱼群算法

3.1 改进思路

3.1.1 对移动步长的改进

设当前人工鱼状态Xi,在可视范围内随机选择一个状态Xj,如果食物浓度Yj>>Yi,即Xj处的食物浓度较Xi大很多,可以认为Xj处的营养物质较为丰富,Xi应该向Xj移动一大步。基本人工鱼群算法中,移动步长随机而定,在改进的人工鱼群算法中,评价函数△Y=(Ymax-Ymin)/2,(其中Ymax为初始状态适应值函数的最大值,Ymin为初始状态适应值函数的最小值)状态Xi与状态Xj处的食物浓度之差为△Yij=Yj-Yi,如果△Yij>△Y,则向Xj方向移动3step的距离。如果△Yij<△Y,则向Xj方向移动一步。

3.1.2 对觅食行为的改进

设当前人工鱼状态Xi,在可视范围内随机选择一个状态Xj,如果食物浓度Yi

3.2 行为描述

3.2.1 觅食行为:伪代码描述如下:

3.2.2 聚群行为

设人工鱼当前状态为Xi,搜索当前邻域内的伙伴数目nf及中心位置Xc,如果undefined,表明伙伴中心有较多食物并且不太拥挤,则朝伙伴中心位置方向前进一步。否则执行觅食行为。

伪代码描述如下:

3.2.3 追尾行为

设人工鱼当前状态为Xi,搜索当前视野范围内的伙伴中的适应值函数最大的伙伴Xj,如果undefined,表明伙伴Xj的状态具有较高的食物浓度且不太拥挤。则朝伙伴Xj的方向移动一步,否则执行觅食行为。

伪代码描述如下:

3.3 算法描述

改进后的算法可以描述为:

(1)初始化:初始化N条人工鱼Xi=(xi1,xi2…,xiD),(1≤i≤N),视野范围Visual,移动步长Step,拥挤度因子δ、最大尝试次数Try_number、概率P等参数。

(2)计算各个人工鱼状态对应的适应度函数,得到Ymax,Ymin,△Y,并给公告板赋初值。

(3)各人工鱼试探追尾,如果当前伙伴中食物浓度最大的人工鱼周围不太拥挤,而且食物浓度差大于评价函数△Y时,朝伙伴方向移动三个步长,如果食物浓度差小于评价函数△Y,朝伙伴方向随机移动一个步长,并更新公告板信息。

(4)各人工鱼试探进行聚群行为,如果中心伙伴食物浓度差大于评价函数△Y且不太拥挤,朝中心伙伴方向前进三个步长,如果食物浓度差小于评价函数△Y,朝伙伴方向随机移动一个步长,并更新公告板信息。

(5)执行觅食行为。当尝试Try_number仍没有改善时,以概率P朝当前最优方向前进一步,如果人工鱼自身是最优状态,则不动,并更新公告板信息。

(6)判断是否达到算法最大迭代次数或是满足其它终止条件,如果是,转(7),不是转(3)

(7)输出最优值,即公告板信息。

4 实验验证

选用以下测试函数验证改进算法的寻优能力:

F1:undefined

其中,|x|≤10,|y|≤10

实验证明,改进的人工鱼群算法能够更快收敛,具有可行性。

参考文献

[1]李晓磊.一种新型的智能优化算法——人工鱼群算法[D].杭州:浙江大学系统工程研究所,2003.

[2]王联国,洪毅,赵付青等.一种改进的人工鱼群算法[J].计算机工程,2008,19(34):192-194.

[3]王西邓.人工鱼群算法的改进研究[D].西安:西安建筑科技大学,2007.

[4]郑晓鸣.人工鱼群算法的改进及应用[D].上海:上海海事大学.2006.

基于人工鱼群算法的输电网络规划 篇4

输电网规划是电力系统规划的重要组成部分,其任务是根据规划期间的负荷增长及电源规划方案确定相应的最佳电网结构,以满足经济可靠地输送电能的要求[1]。目前进行输电网规划的方法分为数学优化方法和启发式方法两类。数学优化方法在理论上更为优越,一般可以保证解的最优性,但通常计算量过大,实际应用中有许多困难。启发式方法是以直观分析为依据的方法,通常是基于系统某一性能指标对可行路径上的一些参数作灵敏度分析,并根据一定的原则选择要架设的线路。启发式方法的优点是直观、灵活、计算量小、应用方便;缺点是无法从理论上证明其解的最优性,并且各启发式方法的收敛性也值得进行进一步的研究。

近年来应用于输电网规划的启发式方法主要有:遗传算法[2,3,4]、粒子群算法[5,6]、模拟退火算法等。这些方法的提出丰富了输电网规划的解法,也为更好地进行电网规划工作打下了基础。

人工鱼群算法(AFSA)是近年来提出一种模拟鱼类行为的优化方法,是集群智能思路的一个具体应用,它能很好地解决非线性函数优化等问题。人工鱼群算法的主要特点是不需要了解问题的特殊信息,只需要对问题进行优劣的比较,有着较快的收敛速度[7]。

本文首次将人工鱼群算法应用于输电网规划,希望起到抛砖引玉的作用,毕竟作为一种新的方法,算法本身还有许多值得研究和改进的问题。

2 输电网络规划的数学模型

单阶段输电网络规划就是在规划水平年的负荷预测和电源规划已知的条件下,基于现有的网络结构和给定的待选线路,确定出满足运行要求的最经济的网络扩展方案。在计及建设投资费用时,不考虑政策、地形复杂度等实际因素的影响,认为规划方案的投资费用只与新建线路长度和运行费用有关,网络潮流采用直流潮流计算。

在上述的假设条件下,输电网规划的数学模型可以表述为:

$\begin{array}{l}\text{m}\text{i}\text{n}Y={\displaystyle \sum _{j\in \Omega {}_1}c}{}_{j}x{}_j+k{\displaystyle \sum _{j\in \Omega {}_2}r}{}_{j}p{}_j^2(1)\\ \text{s}.\text{t}.B\theta +{\rm P}{}_{\text{L}}={\rm P}{}_{\text{G}}(2)\\ |B{}_{l}A\theta |\le {\rm P}{}_{\max }(3)\\ 0\le x{}_j\le x{}_{j\text{m}\text{a}\text{x}}(4)\end{array}$

Y为年费用,包括建设费用和运行费用;cj为支路j中扩建一回新建线路的投资费用;xj为支路j中新建线路回路数;k为年网损费用系数;rj为支路j的电阻;pj为正常运行情况下支路j输送的有功功率;B为系统节点导纳矩阵;Bl为由各支路导纳组成的对角矩阵;θ为节点相角矢量;PL为负荷矢量;PG为发电机出力矢量;A为系统关联矩阵;xjmax为支路j可以新增线路的上限。

作为初步研究,本文采用简化的数学模型,考虑稳态运行方式下不出现过负荷作为约束,认为规划方案的投资费用只与新建线路长度有关,同时使规划方案的建设投资费用最小。

$\max Y({\rm Z})={\rm Z}{}_0-\left({\displaystyle \sum _{i=1}^{{\rm N}}L}{}_{i}z{}_i+C{\rm P}{}_{\text{e}\text{x}}\right)(5)$

式中Z是表示规划方案的N维向量。N是所有待选线路的数目,zi是Z的第i个元素,表示第i条待选线路在规划方案中是否被加入系统,取值为0或1(1代表加入,0代表不加入);Li是第i条待选线路的长度;Pex为网络过负荷量,可以通过直流潮流或最大网流法得到;C是过负荷惩罚系数;Z0为一常数,为避免目标函数值为负,可取一较大的正数。

3 人工鱼群算法 (AFSA)

3.1 人工鱼群简介

在一片水域中,鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方,因此,本算法就依据这一特点来模仿鱼群的觅食行为从而实现寻优。以下给出三种典型的鱼类行为:

(1) 鱼的觅食行为:当发现食物时,会向食物或食物浓度高的水域快速游过去;若没有发现食物或周围食物浓度都较低,则自由随机游动。

(2) 鱼的尾随行为:在鱼群的游动过程中,当其中一条或几条发现食物时,其邻近的伙伴会尾随至附近。

(3) 鱼的聚群行为:鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群。鱼聚群时所遵守的规则有:分隔规则,尽量避免与邻近伙伴过于拥挤;对准规则,尽量与邻近伙伴的平均方向一致;内聚规则,尽量朝邻近伙伴的中心移动。

3.2 人工鱼群相关概念说明

人工鱼个体位置表示为向量Z = (z1,z2,…zn),其中zi(i=1,2,…n)为欲寻优的控制变量,也代表人工鱼位置的坐标,本文中控制变量取值仅为0或1。

$z{}_i=\{\begin{array}{l}1‚\text{第}i\text{条}\text{线}\text{路}\text{加}\text{入}\text{了}\text{网}\text{络}。\\ 0‚\text{第}i\text{条}\text{线}\text{路}\text{未}\text{加}\text{入}\text{网}\text{络}。\end{array}(6)$

式(5)作为目标函数,即食物浓度,人工鱼的每一个位置都对应一个食物浓度Y(Z)。

人工鱼的视野为Visual,表示人工鱼一次可以移动的最远范围。在其视野范围内,人工鱼可以执行觅食、追尾等行为。

人工鱼的移动是其进行觅食、追尾的前提。规定人工鱼的移动只能在其视野内进行,移动的方式为改变自身位置的坐标。例如某人工鱼的视野为m(m≤n),表示它可以通过改变自身位置Z = (z1,z2,…zn)中不多于m个坐标来改变自身位置从而实现移动。

4 AFSA在输电网规划中的应用

4.1 人工鱼群算法描述

人工鱼的行为描述:

(1) 人工鱼的觅食行为:假设人工鱼当前位置为Zi,在视野Visual内随机选择一个新位置Zj,如果Yi<Yj,则向该方向前进一步;反之,则重新随机选择位置Zj,判断是否满足前进条件;反复trytimes次后,如果仍不满足前进条件,则随机移动一步。公式表述如下:

$\begin{array}{l}\text{i}\text{f}(Y{}_j\ge Y{}_i)\\ \begin{array}{l}{\rm Z}{}_{\text{i}\text{n}\text{e}\text{x}\text{t}}={\rm Z}{}_i+\text{R}\text{a}\text{n}\text{d}\text{o}\text{m}(\text{v}\text{i}\text{s}\text{u}\text{a}\text{l});\\ \text{e}\text{l}\text{s}\text{e}\\ {\rm Z}{}_{\text{i}\text{n}\text{e}\text{x}\text{t}}={\rm Z}{}_i+\text{R}\text{a}\text{n}\text{d}\text{o}\text{m}(1)；\end{array}(7)\end{array}$

其中:Zi——人工鱼当前所处位置;

Zinext——人工鱼随机移动后所处的位置;

Yi——当前状态下的目标函数值;

Yj——随机移动后的目标函数值;

Zi+Random(1)——当前所在位置的坐标随机1位取反。

Zi+Random(visual)——当前所在位置的坐标随机visual位取反。

(2) 人工鱼的追尾行为:假设人工鱼当前位置为Zi,探索当前邻域内的伙伴中Y为最大的伙伴位置Zmax,若Yi < Y,且邻域内伙伴的数目nf满足:

$\frac{n{}_{\text{f}}}{{\rm N}}\le \delta (8)$

式中:N——人工鱼总数;

δ——拥挤度, 0<δ<1;

表明伙伴Zmax处食物浓度较高且不太拥挤,则立刻移动至该伙伴处。公式表述如下:

$\begin{array}{l}\text{i}\text{f}(n{}_{\text{f}}/{\rm N}＜\delta ＆＆Y{}_j＞Y{}_i)\\ {\rm Z}{}_{\text{i}\text{n}\text{e}\text{x}\text{t}}={\rm Z}{}_{\max }；\\ \text{e}\text{l}\text{s}\text{e}\\ \text{c}\text{o}\text{n}\text{d}\text{u}\text{c}\text{t}\text{p}\text{r}\text{e}\text{y}\end{array}(9)$

(3) 人工鱼的聚群行为:在文献[8,9,10]中,介绍了人工鱼群在控制变量连续时的聚群行为,由于电网规划的控制变量为离散的0、1变量,无法描述鱼群中心位置,故本文算法不考虑人工鱼的聚群行为。

(4) 公告板:算法中设一个公告板,用以记录最优人工鱼个体位置及该人工鱼位置的食物浓度值。每条人工鱼在进行一次行动后就将自身当前状态与公告板进行比较,如果优于公告板则用自身状态取代公告板状态。这样就使公告板记录下了所有人工鱼在整个寻优过程中的最优食物浓度Ymax及其对应的人工鱼状态位置Zmax。公告板不光可以保留一个最优解,根据需要,还可以保留多个较优解,这也可以为实际的规划问题提供更多的选择。

4.2 应用于输电网规划的AFSA算法流程

人工鱼群算法解决输电网规划的基本过程为:

(1) 输入初始数据,如人工鱼条数、最大迭代次数、视野、觅食尝试次数等。

(2) 利用随机数发生器在控制变量可行域内随机生成个人工鱼个体,形成初始鱼群。鱼群中的每个人工鱼个体都代表一个初始方案。计算初始鱼群个体当前位置的食物浓度,并比较大小,取食物浓度最大者进入公告板,保存其位置及食物浓度值。即在初始方案中选择最优方案,为寻优过程提供一个供比较的基准值。

(3) 各人工鱼分别执行觅食行为、追尾行为;选择行为后食物浓度较大者实际执行,缺省方式为觅食。这是以通过最有效的行动方式搜寻更优的规划方案。

(4) 各人工鱼行动一次后,检验自身位置的食物浓度与公告板比较,如果优于公告板,则取代之。即每条人工鱼检查自己是否搜索到此时最合理的规划方案。

(5) 判断是否达到预置的最大迭代次数,若是则输出计算结果;否则转步骤(4)。

各条人工鱼通过不断改变自身的位置,并将对应位置的食物浓度与公告板比较,在经过一系列的反复搜索寻优过程后,可能包含最优解的最佳的结果将最终被留在公告板上。

以上基本过程见图1所示。

5 算例分析

5.1 算例1

对广泛采用的IEEE Garver-6系统进行试验,该算例原有6个独立节点,6条输电线路,待选线路共22条。受篇幅所限,IEEE Garver-6节点系统网络图及相关参数参见文献[4]。根据人工鱼群算法和分析调试的经验,人工鱼条数一般可取为待选线路的0.5～1倍,最大觅食次数一般取近似等于待选线路条数,其余参数可按问题复杂程度参考选择。

参数设置时考虑了文献[10]的意见,经调试,可取人工鱼条数N = 12,最大迭代次数Gmax = 15,最大觅食尝试次数trytimes = 30,觅食视野Visual = 2, Z0 = 10000,C = 2.4,过负荷的检验采用直流潮流,公告板最终保留2个最优结果。

应用数学软件MATLAB编制人工鱼群算法的程序并求解,得到两个相同的最优食物浓度Y = 9635,人工鱼状态(位置)所代表的网络结构如图2所示,这也与最优的网络规划结果相吻合。

同样应用MATLAB软件编制遗传算法的程序,其适应度函数与人工鱼群算法的食物浓度函数相同,程序所用部分参数参考文献[2],染色体域为60,交叉率取为0.5,变异率取为0.027,最终保留2个最优染色体。计算得到与人工鱼群算法相同的结果,网络结构如图2所示。

与遗传算法相比,人工鱼群算法不仅继承了其模型简单直观、适合解决电网规划问题的优点,并且具有更快的收敛速度,每次迭代食物浓度(目标函数)都有显著的改善,如图3所示,同时不需要人为确定交叉率、变异率这样的经验参数。

5.2 算例2

对18节点系统进行试验,该系统共有18个独立节点,9条现有输电线路及32条待选输电线路,网络结构及相关参数请参见文献[1]。

根据人工鱼群算法,参数设置时考虑了文献[10]的意见,经调试,取人工鱼条数(N = 25),最大迭代次数Gmax = 35,最大觅食尝试次数trytimes = 45,觅食视野Visual = 3,过负荷的检验采用直流潮流,规划结果如图4所示,与文献[1]中所得结果相同。

以下分析各参数的变化对计算结果的影响:

(1) 人工鱼条数对计算结果的影响。表1给出了最大迭代次数Gmax = 15,觅食视野Visual = 3时人工鱼条数的变化对计算结果的影响。人工鱼条数的增长使得搜索个体更加稠密地分布在解空间,更加有利于最优解或较优解的产生;但同时,人工鱼条数的增长加大了计算量,从表1可以看出人工鱼条数的增长与计算时间的增长近似呈现出线性关系。

(2) 觅食视野对计算结果的影响。表2给出了最大迭代次数Gmax = 15,人工鱼条数N = 30时,觅食视野的变化对计算结果的影响。从表2可以看出,人工鱼的觅食视野在某一个合理的范围内时,对结果影响不明显,但超出这个范围后,对迭代收敛的速度有一定的影响;觅食视野对计算时间的影响较小。

6 结论

人工鱼群算法是一种新的随机搜索优化算法,它具有并行性、全局性、跟踪性等特点,为解决一些非线性及离散的优化问题提供了一条新的思路。人工鱼群算法在电力系统输电网规划中具有潜在的实用前景。通过上述的理论分析和实践计算得到以下结论:

(1) 人工鱼群算法应用于电网规划问题,模型简单直观,收敛较快。

(2) 全局寻优能力强,最终还可以生成一系列较优方案,供规划人员参考比较。

(3) 新方案的生成是随机完成,在一定程度上避免了陷入局部极值;在随机生成新方案后,立刻与现方案进行比较,及时否定和修改欠佳的方案,加快收敛速度。

(4) 人工鱼算法应用于输电网网络扩展规划是可行的有效的。

作为初步尝试,本文只是采用较简单的模型来描述输电网规划问题,没有考虑稳定性的影响、N-1校验以及多阶段规划的过渡等问题,进一步的工作还需要在这些方面进行改进和完善。

摘要：人工鱼群算法是一种基于动物自治体模型的优化算法。各人工鱼通过各种行为不断改变自身的位置,并将对应位置的食物浓度与公告板最优食物浓度比较,在经过一系列的反复搜索寻优过程后,可能包含最优解的最佳结果将最终被保留在公告板上。针对输电网络网架的扩展规划这样一个复杂的组合优化问题,建立相应的数学模型,首次尝试采用人工鱼群算法求解。该算法用于IEEE Garver-6系统和18节点系统的计算结果表明,人工鱼群算法用于电力系统输电网规划是可行的,有效的。

关键词：电力系统,电网规划,人工鱼群算法

参考文献

[1]王锡凡(Wang Xifan).电力系统优化规划(Optimizationof power system planning)[M].北京:水利电力出版社(Beijing:Hydraulic and Elec.Power Press),1990.

[2]王秀丽,王锡凡(Wang Xiuli,Wang Xifan).遗传算法在输电系统规划中的应用(Transmission system planningwith genetic algorithm)[J].西安交通大学学报(J Xi anJiaotong Univ.),1995,29(8):1-9.

[3]王秀丽,陈皓勇,王锡凡,等(Wang Xiuli,Chen Haoyong,Wang Xifan,et al.).基于非支配遗传算法及协同进化算法的多目标多区域电网规划(Multi-objective andmulti-district transmission planning based on NSGA-II andcooperative co-evolutionary algorithm)[J].中国电机工程学报(Proc.CSEE),2006,26(12):11-15

[4]刘可真,陈勇(Liu Kezhen,Chen Yong).基于改进遗传算法的输电网优化规划(Transmission network planningbased on improved genetic algorithm)[J].昆明理工大学学报(J Kunming Univ.of S&T),2007,32(1):32-35.

[5]金义雄,程浩忠(Jin Yixiong,Cheng Haozhong).改进粒子群算法及其在输电网规划的应用(Improved particleswarm optimization method and its application in powertransmission network planning)[J].中国电机工程学报(Proc.CSEE),2005,25(4):46-50.

[6]金义雄,程浩忠(Jin Yixiong,Cheng Haozhong).计及阻塞管理及剩余容量的并行粒子群电网规划方法(Parallel particle swarm optimization on power transmissionnetwork planning taking account of congestion managementand residual capacity)[J].电网技术(Power SystemTech.),2005,29(23):18-23.

[7]刘耀年,庞松岭,刘岱(Liu Yaonian,Pang Songling,LiuDai).基于人工鱼群算法神经网络的电力系统短期负荷预测(Short-term load forecasting method based onartificial fish-swarm algorithm of neural network)[J].电工电能新技术(Adv.Tech.of Elec.Eng.&Energy),2005,24(4):5-8.

[8]王锡淮,郑晓鸣(Wang Xihuai,Zheng Xiaoming).求解约束优化问题的人工鱼群算法(Artificial fish schoolalgorithm for solving constrained optimization problems)[J].计算机工程与应用(Computer engineering andapplications),2007,43(3):40-42.

[9]李晓磊,冯少辉,钱积新,等(Li Xiaolei,Feng Shaohui,Qian Jixin,et al.).基于人工鱼群算法的鲁棒PID控制器参数整定方法研究(Parameter tuning method of robustPID controller based on artificial fish school algorithm)[J].信息与控制(Information and Control),2004,33(1):112-115.

[10]刘耀年,李迎新,张冰冰,等(Liu Yaonian,Li Yinxin,Zhang Bingbing,et al.).基于人工鱼群算法的最优潮流计算(Artificial fish school algorithm for optimal power flowproblems)[J].电工电能新技术(Adv.Tech.of Elec.Eng.&energy),2006,25(4):30-33.

组合优化问题的人工鱼群算法应用 篇5

1 人工鱼群算法

1.1 人工鱼群算法的定义

人工鱼群算法是2003年邵之江、李晓磊等人首次提出来的。它表示在一片水中,鱼一般能自行或者跟随其他鱼群找到营养物质较多的地方,所以,鱼存在数量最多的地方一般就是本片水域中物质营养最多的地方,人工鱼群算法就是利用这一特征,通过组建构造人工鱼来模拟鱼群的寻找吃食、聚集鱼群及相互追尾行为,从而实现寻优目标化。

1.2 人工鱼群算法的几大特点

简单性:在算法中仅能使用目标问题的函数值;

并行性:许多AF并行进行搜索;

快速性:算法中虽然也存在一定的随机因素,但整体是在逐步向最优搜索的;

全局性:算法具有跳出部分极值的功能,使不受局部极值的限制和影响;

跟踪性:随着工作状况或其他因素的改变而造成极值的变化,人工鱼群算法具有迅速跟踪变化的能力。

2 人工鱼的几种典型行为

1)觅食行为:一般正常情况下鱼往往在水中自由自在游动,当发现食物后,就会向食物逐步增多的方向飞速游去。

2)聚群行为:鱼在水中游动的过程,为了保证自身的生存条件,躲避外界危害,会自然而然地聚集成群,鱼聚群所遵守的原则有3条:分隔原则:尽可能避免过度与临近鱼群伙伴造成拥挤;对准原则:尽可能与附近伙伴的游动方向保持一致;内聚原则:尽可能朝附近鱼群伙伴的中心游动。

3)追尾行为:当鱼群中有鱼发现食物的地点并且快速朝食物移动时,其临近的鱼群会尾随此鱼快速来到食物点。

4)随机行为:单独的一条鱼在水中通常都是无规则游动的,这就是为了更大范围面积地寻找食物点以及身边的鱼群伙伴。

5)行为选择:根据所需要解决问题的性质,对人工鱼所生活的环境进行评价,从而选择一种行为方式。较常用的评价方法就是选择能使组合最优化的行为,亦是各个行为中使得人工鱼接下来是一个最优状态的行为,如果没能使接下来的状态最优,则采取随机行为。

3 具体人工鱼算法

综合以上的人工鱼的行为,各个人工鱼探究它目前所处的环境状况和鱼群状况,从而来选择一种适合的行为来实际执行,最终人工鱼聚集在几个极值的周围。一般情况下,在讨论求极大值时,拥有较大的适应值的人工鱼一般处于值较大的极值周围,这利于获取整体极值区域,而且较大的极值区周围一般也能集结许多的人工鱼,这有助于判断并且获取整体极值。具体的人工鱼算法步骤如下:

步骤1:确定种群规模数量结构为N,在变量可行域内生成N个个体,设定人工鱼的可视区域,步长为Step,拥挤度因子为&,尝试次数为try_number。

步骤2:计算初始鱼群各个体适应值,取最优人工鱼状态以及它的值赋在公告板。

步骤3:个体通过寻找食物,鱼群聚集,追尾行为更新自己,生成新鲜的鱼群。

步骤4:评价所有个体。如果某个个体有鱼公告板,则将公告板更新为该个体。

步骤5:当公告板上最优解达到满意的误差范围内,算法到此结束,不然,回到步骤3。

4 人工鱼群算法的实例应用

4.1 求解旅行商问题

对人工鱼群算法在组合优化问题中的应用研究,现将它应用的具体事例,通过对TSP的研究对这整个研究具有重大的实践性和理论基础。TSP问题是一个具有背景和重要理论价值的组合优化难题,许多关于TSP的工作并不是直接推动的,而是因TPS为其他算法提供平台,使得这些算法应用于离散优化的问题,再者,TSP的大量直接应用给研究分析领域带来了勃勃生机,并指引未来工作。

旅行商问题也被称作“旅行推销员问题”,就是指1名推销员要访问许多个地点时,怎样寻找在拜访每个地点一次后再回到最初起点的最短路线。原则虽然简单易懂,可是在地点数目剧增后求解就非常复杂难办。以五十二个地点为例子,要列举所有路线以后再确定最佳行径,那么总路线数目惊人,几乎不可计算。多年来全世界许多有名数学家挖空心思试图找到一个高效简单的算法。TSP问题在物流中的阐述是对应一个物流配送公司来说的,想要将N个客户的订货沿最短路线全部及时送到。

4.2 求解车间作业调度问题

车间作业调度是一个典型的NP—hard问题,亦是组合优化问题领域中研究的重要选题。对JPS的研究具有举足轻重的现实意义和理论基础。车间作业调度问题是最最普遍,最复杂和最具难度的生产调整问题。目前对车间作业调度问题的研究多采取群智能算法和启发式算法,比如例粒子群算法、蚊群算法、遗传算法等等。但采用新型的人工鱼群算发直接解决JPS。

车间作业调度问题描述:

已知:有n个工件{J1,J2,…,Jn}在m台机器{M1,M2,…,Mm}上加工,每个工件以一定的次序在所有的机器上轮流加工,每个工件分成m个工序,而每个工序对应相应的加工机器。其中,工序的加工时间是给定。工件上的约束条件为:每个工件上的工序只能在上一个工序执行结束后,才能开始执行下一个工序。

5 结语

人工鱼群算法的提出者李晓磊等人对参数算法的影响进行了探讨,总体来说,整个算法对各参数的取值范围的容纳度还是非常大的。算法采用自上而下的设计方式,每个个体的行为都具有相对的独立和互补,使得整个算法的收敛性比较稳定,注重研究组合优化问题的人工鱼群算法应用的意义非凡。

摘要：优化组合问题在现实生活中应用普遍,而且工程代表性强,可是想要实现最优化求解不容易,当今组合优化求解的主要方式采用启发式算法。人工鱼群算法是新型的群智能优化的算法,它的原理简单易懂,收敛速度快捷,求解精度颇高。最近几年得到了重视和广泛应用。

关键词：组合优化问题,人工鱼群算法,旅行商问题,车间作业调度

参考文献

[1]李晓磊,路飞,田国会,钱积新.组合优化问题的人工鱼群算法应用[J].山东大学学报(工学版),2014,05:64-67.

[2]雷娟.人工鱼群算法在组合优化问题上的应用研究[D].西安理工大学,2012.

[3]郑晓鸣.人工鱼群算法的改进及应用[D].上海海事大学,2015.

[4]张汉强.人工鱼群混合智能优化算法及其应用研究[D].浙江大学,2013.

鱼群检测 篇6

声纳视觉感知属于计算机视觉和人工智能的重要分支, 在水下潜水器系统中具有不可替代的作用。近年来, 水下声纳技术被广泛应用到鱼群探测、资源勘探、水下管道探测以及水底天然气监测等领域。声纳图像由于声信息传输的复杂性, 在多数情况下目标信息会淹没在信道、背景等噪声中。随着信息技术的飞速发展, 声纳数据处理的方法也随着科学技术的发展而不断改进。鱼群统计对于水下养殖以及珍贵鱼类保护具有重要的应用价[2,3]。2003年Moursud[4]等利用双频识别声纳观测了鱼群游过水电站鱼道的情况, 2004年Maxwell[5]等验证了用双频识别声纳在浑浊水域中评估洄游大马哈鱼的数量, 2006年Everitt[6]等利用双频识别声纳对密苏里河渔业进行管理。Han[7]等用双频识别声纳做了洄游鱼类以及养殖的大型鱼类的尾数、体长自动计数、测量的研究, 能够自动精确地计算出鱼的尾数和体长。董剑锋[8,9]等对双频识别声纳图像处理进行了初步研究, 并运用到香鱼计数上。上述方法主要是针对鱼群进行大致的统计分析, 缺乏较为准确的定量分析。已有研究表明, 利用DIDSON视频进行鱼群各种应用, 其关键是鱼群检测方法的精度[10]。

1 传统目标检测算法鱼群检测结果

与光学图像相比, 声纳图像本身的信息小于随机噪声信息, 因此将光学图像的目标检测算法直接应用于声纳图像目标检测时效果不理想。图1分别为帧间差模型、平均背景法模型、高斯混合模型、Code Book背景模型、背景差分法直接用于声纳图像目标检测的效果图。

由图可知, 由于声纳图像随机高斯噪声含量大, 帧间差模型检测结果最差;平均背景模型、高斯混合模型和Code Bool背景模型的检测结果含有大量孤立噪声点且鱼体轮廓含有大量毛刺;背景差分法检测结果中含有鬼影。

2 本文鱼群检测算法

本文充分利用声纳图像噪声特性和鱼体亮度统计特性, 在背景差分法基础上提出了一种DIDSON鱼群目标检测及鬼影抑制方法。具体思路:首先采用背景差分法初步寻找可能出现的鱼体目标点;利用声纳特性, 对初步检测的鱼体目标点进行鬼影判断去除鬼影;最后采用形态学开闭运算去除孤立噪声点。

2.1 背景差分理论

背景差分工作原理:设背景模型为M (x) ={v1, v2, …, vN}, 其中N个样本值均为已被判断为背景的像素值。记v (x) 为x点处的像素值, 设定阈值R, 计算{v (x) -R, v (x) +R}区间内与样本模型M (x) 相交的样本值个数, 若数值大于预设的某个最小值, 则将当前像素点x的像素值v (x) 判断为背景, 否则为前景。

初始化:利用相近像素点具有相近的时空分布特性, 用一帧图像填充样本集。其优点在于:对噪声比较灵敏、计算量小、速度快, 可以很快的进行运动物体检测。更新策略:每一个背景点有1/φ的概率更新背景模型样本集, 同时也有1/φ的概率去更新其它的邻居点的背景模型样本集。当前景点计数达到临界值时, 将其变为背景, 并有1/φ的概率背景模型样本值。

由于背景差分采用一帧建模, 如果模型初始化时出现目标, 会将前景目标点误判为背景。当前景目标点离开后, 当前像素值无法与背景样本集匹配, 导致背景像素点被错误地检测为前景点形成鬼影, 严重影响后续的跟踪或识别。

2.2 鬼影抑制

通过对DIDSON数据图像的特性分析可知声纳图像中的鱼体目标属于高亮区域, 且背景区域中仅有少量的波纹信息是属于高亮区域的。因此本文基于此特性提出了鬼影抑制方法。其基本思想:对已预处理的视频采用背景差分法初步寻找出当前帧中的前景目标;然后对这些前目标景的像素值作进一步判断, 若此像素点的像素值大于阈值T, 即判断为前景, 否则认为是鬼影并判断为背景, 同时更新背景模型。

2.3 实验结果分析

本实验将本文的目标检测方法与其它经典检测算法, 针对小鱼群和大鱼群检测性能进行对比分析。实验环境配置为matlab2009a, 内存8GB, 处理器为Intel Core i5-3470 3.20GHz、声纳视频帧率为8 fps。大鱼群检测结果如图2所示。

如图2, Code Book算法检测出的目标边缘模糊, 且存在大量的误检像素。背景差分法存在严重的鬼影现象 (图2中第3行白色椭圆标记的鱼体为鬼影) , 鬼影在第139帧以后也未消失。而本文提出的算法在第28帧之前, 鬼影已消失, 整体检测性能明显优于Code Book算法和背景差分算法。同时本文算法在鱼体较小的情况下, 其检测效果同样较好。

3 鱼群数量统计

3.1 鱼群数量统计方法

本文单帧鱼群数量统计流程:鱼群目标检测后的图像中任然还有一个小面积的连通域, 这些小面积的连通域并不是鱼体而是一些干扰物, 因此在进行单帧数量统计之前需要消除面积较小的连通域。首先去除面积较小的连通域, 然后统计这一帧图像中连通区域的个数, 既可以得到一帧中的鱼体个数。

假设在图像中有n帧图像检测到鱼体, 每帧鱼体数量记为Nm, 对每m帧求一次平均, 即将视频分成k个部分, 其中k=floor (n/m) ;再对k部分的鱼体数量分别求均值, 最后将k个部分的均值累计即得到整个图像序列的鱼群数量, 其公式表达式如下:

3.2 实验结果与分析

采用本文所示方法对many fish.avi图像序列进行单帧鱼体数量统计, 其结果如图所示。

从图中可以看出, 本文算法对单帧鱼体数量统计基本准确, 但是对于即将消失的鱼体和即将出现在声纳视野中的鱼体检测结果较差、不够精确。由于将消失的鱼体其回波较弱, 在图像上反应忽明忽暗, 容易被漏检。其次大鱼在游动的过程中会产生大量水波, 剧烈的水波也会被误检成鱼体。

采用本文所示方法对many fish.avi图像序列进行鱼群数量统计, 整个视频一共有162帧, 目测整个图像序列一共游过了16条鱼。通过本文的检测结果N=16, 其中m取得40;通过DIDSON二次开发软件检测的结果如图4所示;本文单帧检测结果见表1。

如图4所示, DIDSON二次开发软件检测出的鱼群数量为9。通过本文算法检测出的鱼体数量为16, 与DIDSON二次开发软件检测的结果更准确。其中表1展示了本文算法在many fish.avi图像序列从第1帧到第27帧的单帧检测结果。

采用本文提出的方法对Kenai3-12manyfishnoshad.avi图像序列进行鱼群数量统计, 整个视频一共有790帧, 目测整个图像序列一共游过了87条鱼。通过本文的检测结果N=72条, 其中m取得40;通过DIDSON二次开发软件检测的结果如图5所示。

如图5所示, DIDSON二次开发软件统计的鱼群数量为42条。由此可以看出DIDSON二次开发软件在对体长较小的鱼统计数量效果较差。本文的统计结果更接近真实结果。

4 结论

由于声纳图像的含有大量噪声信息, 采用光学图像的目标检测算法不能满足声纳图像目标检测的要求。针对这个问题, 本文提出的目标检测方法在保留背景差分法优势的同时能快速抑制鬼影。其次再鱼群统计算法上, 本文提出了一种简单的统计方法:在基于精确的鱼群检测上, 统计鱼群数量;实验结果表明, 本文提出的鱼群数量统计结果比DIDSON二次开发软件的统计结果更准确, 且满足实时性需求。

摘要：双频识别声纳 (DIDSON) 可以在黑暗浑浊的水下获得清晰的视频影像。对双频识别声纳的鱼群视频进行基于智能视觉的鱼群数量统计, 可高效、准确的评估该水域的渔业资源[1]。提出了一种简单可靠的统计方法:首先通过改进的目标检测算法检测鱼体并统计每帧鱼体数量;其次将视频分成多个部分并对各部分的鱼体数量进行统计;最后将各个部分的统计值累计得到整个图像序列的鱼群数量。实验结果表明本文提出的鱼群数量统计结果比DIDSON二次开发软件的统计结果更准确, 且满足实时性需求。

关键词：双频识别声纳,鱼群检测,鬼影抑制,背景差分

参考文献

[1]张进.基于双频识别声纳DIDSON的鱼群定量评估技术[D].上海:上海海洋大学, 2012.

[2]SHEN W, YANG L, ZHANG J, et al.The survey of fishery resources and spatial distribution using DIDSON imaging sonar data[C]//IFIP 2013:International conference on the Advances in Information and Communication Technology.New York, US:Springer Press, 2013:366-375

[3]谭细畅, 史建全, 张宏.EY60回声探测仪在青海湖鱼类资源量评估中的应用[J].湖泊科学, 2009, 21 (6) :865-872.

[4]Melvin, G, Li.Y.Mayer, L and Clay, A.The development of an automated sounder soanr acoustic logging system for deployment on commercial fishing vessel[Z].ICES CM, 1998:14.

[5]Misund, O.A.Aglen, AandFronaes, E.Mappingtheshape, size and density of fishs chools by echo integration and a highresolution sonar[J].ICES J.Mar.Sci, 1995, 52:11-20.

[6]Maxwell, S.and Gove, N.The Feasibility of Estimating Migrating Salmon Passage Rates in Turbid Rivers using a Dual-Frequency Identification Sonar (DIDSON) .Regional Information Report No.2A04-05[R].Alaska Department of Fish and Game, March 2004.

[7]Everitt, D.Adams, J.and Mestl, G.Using DIDSON technology to observe the ecology and behavior of Missouri River fishes[C]//Proceedings of the 67th Midwest Fish and Wildlife Conference.Omaha.Nebraska, Dec 6-10, 2006.

[8]童剑锋, 韩军, 沈蔚.声学摄像仪图像处理的初步研究及在渔业上的应用[J].湖南农业科学, 2010, 17.

[9]童剑锋, 韩军, 浅田昭, 溝口雅彦.基于声学摄像仪的溯河洄游幼香鱼计数[J].渔业现代化, 2009, 36.

鱼群检测 篇7

基于内容的医学图像检索 (CBMIR) 对图像从底层到高层的自动处理和分析, 具有速度快、精度高等优点, 成为当前医学图像检索的主流方向。CBMIR的医学图像检索包括视觉描述、相似性度量等步骤, 视觉描述通过提取图像特征向量描述医学图像信息, 相似度度量衡量两幅医学图像之间的相似度, 不同的视觉描述和相似性度量方法, 产生不同的检索结果。基于CBMIR的医学图像检索系统的初步检索结果往往难以获得令人满意效果, 主要是因为:

(1) 图像理解技术的不成熟, 出现语义鸿沟。

(2) 人类视觉感知的主观性, 相同图像不同人的认知不同。为了解决该难题, 近年来, 一些学者将文本检索中的相关反馈 (relevance feedback, RF) 技术引入到医学图像检索中, 由于加入了用户反馈信息, 获得了更优的医学检索结果。当前的主要有颜色、纹理、形状等图像特征, 由于单特征难以准确、全面描述医学图像内空, 因此目前主要基于多特征融合的医学图像检索, 基于多特征的相关反馈医学图像检索过程, 用户需求不同, 特征组合参数相应不同, 为了建立更加符合用户检索要求的相似度模型, 需要对特征进行调整。

为了提高医学图像的检索准确率, 提出一种基于人工鱼群算法 (AFSA) 优化特征权值的医学图像检索方法。首先提取颜色、纹理和形状持征描述医学图像信息, 然后在相关反馈过程引入人工鱼群算法对特征权值进行自适应调整, 最后采用仿真实验测试AFSA的有效性。

1 AFSA的医学图像检索流程

(1) 用户提交待查询的医学图像, 提取其相关特征, 并给所有特征赋予初始权值。

(2) 采用相似度模型对待查询进行检索, 并根据相似度值对检索结果进行排序。

(3) 用户对检索结果进行评价, 若满意, 就转步骤 (5) , 否则执行步骤 (4) 。

(4) 根据用户反馈信息, 采用AFSA对医学图像特征权值进行自适应调整, 并返回步骤 (2) 继续检索。

(5) 输出医学图像最终检索结果。

基于AFSA的医学图像检索流程如图1所示。

2 提取医学图像特征和相似性度量

2.1 医学图像特征

(1) 提取颜色特征。首先将一幅医学图像划分为多个子块, 计算每一个子块RGB颜色分量的均值, 然后提取每一个子块的μRH和μRL值, 最后的信息熵作为图像的颜色特征。

(2) 提取纹理特征。首先对于一幅医学图像进行小波变换, 得到高频和低频部分, 其中高频子带可以描述医学图像的细节特征, 低频子带描述图像的整体特征, 然后对低频部分进行再次分解。采用4级小波分解, 得到13个子带, 并求每个子带的其均值和方差, 共得到26维小波向量作为纹理特征。

(3) 提取形状。Zernike矩不需要对图像边缘进行计算, 便可较好描述图像形状, 对一幅医学图像f (x, y) , 计算10阶Zernike矩, 共得到36维向量。

2.2 图像相似性度量设计

在计算医学图像相似度之前, 需要对特征进行量化, 定义一个3元组表示模型:

式中, D表示一幅医学图像;F={fi}表示一组特征向量;fi={rij}为第i个特征, rij是一个含有多元素的向量:rij=[rij1, rij2, …, rijk]。

采用相似度模型对两幅医学图像距离进行量化,

式中, I为待查询的医学图像;Q为待检索图像;为特征的权重。

在反馈过程中, 采用AFSA对式 (2) 中的值进行调整, 使得权值与用户需求更加接, 以提高医学图像的检索查询效果。

3 人工鱼群反馈的医学图像检索

3.1 人工鱼的位置编码

提取医学图像的颜色、纹理和形状特征后, 共得到6+26+36=68个特征, 则有68个特征权重, 即W={w1, w2, …, w68}, 它们组合成一条人工鱼位置。

3.2 食物密度

食物密度是人工鱼位置优劣的评价依据, 以查全率 (recall) 和查准率 (presion) 设计食物密度, 那么人工鱼c位置的食物密度计算公式为:

式中, q表示待查询医学图像;R (q, c) 表示查全率;P (q, c) 表示查准率;NR (q) 表示检索得到与q相关的医学图像数目;N (q) 表示医学图像数据库中与q相关的总数;NR (q) 表示检索到的医学图像总数。

3.3 ASFA优化特征权值步骤

(1) 初始化相关参数, 主要包括人工鱼群大小、移动步长、拥挤度因子、最大迭代次数和反馈计数f=0。

(2) 初始化人工鱼群位置, 并根据式 (4) 计算食物密度, 然后对它们进行排序, 选择食物密度值最大的人工鱼个体进入公告板。

(3) 人工鱼模拟鱼群的觅食、追尾和聚群行为, 得到新的人工鱼位置。

(4) 与公告板的食物密度值进行比较, 如何优于公告板, 那么将该人工鱼位置记入公告牌。

(5) 将最优公告牌的位置进行解码, 得到特征的最优权值。

(6) 采用相似度模型根据最优特征权值对待检索医学图像与图像库的图像进行匹配, 得到相应的检索结果, 并对检索结果进行评价。

(7) 如果得到满足用户最优结果, 则结束算法, 否则, 反馈次数f=f+1, 并返回步骤 (3) 继续执行反馈操作。

4 仿真实验

4.1 数据来源

在Intel酷睿i7 4770K, 8G RAM, 1TB硬盘, Windows 7操作系统的电脑上, 采用Matlab 2012进行仿真实验。数据来源于某医院的CT、MIR图像, 其4万张图像, 具体见表1所示。

4.2 性能优化评价标准

采用平均查准率 (AP) 对医学图像检索效果进行评价, 对于8个类医学图, 分别以每类图像作为待检索图像, 计算对所有图像平均查准率, 第i类第j幅图像的查准率为:

式中, relj (k) 表示图像j为作为查询图像时, 前100幅图像的检索结果, 1表示与图像j为同一类, 0表示不同类, 那么第i类图像的平均查准率为:

4.3 结果与分析

4.3.1 反馈前后的检索结果对比

对于表1中所有类型的医学图像, 反馈前后的平均查准率如图2所示。从图2可知, 相对于没有反馈的医学图像检索方法, AFSA相关反馈方法提高了医学图像的平均查准率, 对比结果表明, 在相关反馈过程, 采用AFSA对特征权值进行自适应调整, 构建的医学图像相似度模型可以更好地反映用户需求, 具有更高的准确率和查询效率。

4.3.2 与其它特征权值优化方法的性能对比

为了进一步说明ASFA医学图像检索方法的优越性, 采用遗传算法优化特征权值方法 (GA) 和粒子群算法优化特征权值方法 (PSO) 进行对比实验, 它们反馈后的平均查准率如图3所示。从图3可知, 相对于GA、PSO算法, 对于所有类别的医学图像, ASFA的平均查准率均有所提高, 这主要因为AFSA能够更好的确定特征权重, 特征向量组合可以更加准确的描述医学图像信息, 提高了医学图像检索系统的检索性能。

5 结束语

针对医学图像检索过程中相关反馈特征权值确定问题, 提出一种AFSA优化组合特征权值的医学图像相关反馈检索方法, 利用AFSA较好搜索能力, 对特征权值进行自适应调整, 仿真结果表明, AFSA可以获得较理想的医学图像检索结果, 具有一定的应用价值。

参考文献

[1]傅启明, 刘全, 王晓燕, 张乐.遗传反馈的多特征图像检索[J].中国图象图形学报, 2011, 16 (10) :1858-1865.

[2]许相莉, 张利彪, 刘向东等.基于粒子群的图像检索相关反馈算法[J].电子学报, 2010, 38 (8) :1935-1941.